多组学随机森林模型预测放射性食管炎：整合放射组学与剂量组学特征提升非小细胞肺癌放疗毒性预测精度

　　本研究针对非小细胞肺癌（NSCLC）放疗中高剂量限制性毒性——放射性食管炎（RE）的预测难题，创新性地整合临床因素、放射组学（Radiomic）和剂量组学（Dosiomic）特征，构建多组学随机森林预测模型。研究结果表明，联合放射组学与剂量组学模型（AUC=0.75±0.10，AUPRC=0.49±0.14）显著优于传统剂量体积直方图（DVH）模型（AUC=0.69±0.10），为个性化放疗计划制定和毒性风险防控提供了新策略。

　　

在肺癌这一全球癌症相关死亡的首要原因中，非小细胞肺癌（NSCLC）占据了85%的病例。放射治疗（RT）在不可手术的局部晚期NSCLC治疗中扮演着关键角色，尽管提高辐射剂量能够带来更好的肿瘤控制效果，但剂量提升却受到放射性食管炎（RE）等毒副作用的严重限制。RE是NSCLC放疗中最主要的剂量限制性毒性之一，患者通常在放疗后两个月内出现2级或更高级别的急性RE，严重时会导致治疗中断、住院甚至需要管饲喂养，显著降低患者生活质量。传统上，临床因素和剂量体积直方图（DVH）参数被用于预测RE发生，但这些模型的预测性能往往不尽如人意。

随着机器学习技术在放射肿瘤学领域的兴起，研究者开始探索更先进的预测方法。随机森林（RF）分类方法在临床数据结果预测方面表现出色，而放射组学（Radiomics）和剂量组学（Dosiomics）的出现为毒性预测提供了新思路。放射组学通过从CT和PET等医学影像中提取定量特征来预测治疗反应，而剂量组学则利用三维剂量分布作为特征空间，保留更丰富的空间信息。虽然已有研究使用临床和放射组学特征预测≥2级RE，但对于更严重的≥3级RE的预测研究仍属空白，而≥3级RE因其对生活质量的严重影响更具临床意义。

为此，研究人员开展了一项创新性研究，旨在通过整合临床、剂量测定、放射组学（来自CT和PET）和剂量组学特征来预测≥3级RE。这项研究发表在《Physics and Imaging in Radiation Oncology》，为NSCLC放疗中的毒性管理提供了新的解决方案。

研究团队采用了多项关键技术方法：从179例NSCLC患者的CT、PET和三维剂量分布影像中提取了343个特征（包括14个临床特征、14个剂量测定特征、105个剂量组学特征和210个放射组学特征），以食管减去肿瘤靶区（GTV）为感兴趣区域（ROI）；使用基于监督Spearman相关性的特征降维方法处理训练集数据；采用随机森林分类器构建四种预测模型（基础DVH模型、放射组学模型、剂量组学模型以及联合放射组学-剂量组学模型）；通过100次蒙特卡洛交叉验证迭代（80%训练集/20%测试集）评估模型性能；使用自助百分位数法（bootstrap percentile method）进行模型间性能比较的统计学分析。

研究结果方面，在患者特征部分，共纳入179例NSCLC患者，其中27例（15.08%）发生了≥3级RE。多变量分析结果显示，所有多组学模型均优于基础DVH模型。具体性能指标为：基础模型的AUC和AUPRC分别为0.69±0.10和0.42±0.12；放射组学模型为0.71±0.12和0.48±0.13；剂量组学模型为0.73±0.10和0.48±0.15；而联合放射组学-剂量组学模型表现最佳，达到0.75±0.10和0.49±0.14。通过自助百分位数法比较显示，剂量组学模型和联合模型在AUC和AUPRC上均显著优于基础模型。

特征重要性分析揭示了各模型类型的关键预测因子。在基础DVH模型中，相对V60和V5指标最为重要；放射组学模型中，GLRLM（Gray Level Run Length Matrix）高灰度级游程强调特征最具预测价值；剂量组学模型中，一阶Root Mean Squared特征最为重要；而在联合模型中，剂量组学一阶Root Mean Squared被确定为最重要协变量，其次是剂量组学一阶Mean、GLCM（Gray Level Co-occurrence Matrix）逆差归一化等特征。值得注意的是，联合模型的前10个重要特征中包含3个CT放射组学特征和7个剂量组学特征，体现了多组学特征的互补价值。

研究结论与讨论部分强调，这是首项全面整合患者特异性特征（包括临床、剂量测定、放射组学[CT和PET]和剂量组学特征）来预测NSCLC患者≥3级RE的研究。所有多组学模型均优于基础DVH模型，其中联合放射组学-剂量组学模型表现最佳，表明多组学特征为RE预测提供了宝贵信息。剂量组学一阶Root Mean Squared作为最重要特征，反映了食管区域剂量分布的总体强度和变异性，能够捕捉可能导致组织损伤的升高剂量强度。

与既往研究的比较显示，虽然已有研究使用放射组学特征预测≥2级RE并取得较好效果（AUC 0.74-0.80），但针对≥3级RE的预测研究较少且性能有限（最高AUC 0.56-0.75）。本研究专注于更具临床意义的≥3级RE预测，并创新性地整合了CT和PET放射组学特征，提供了新的预测视角。

研究的局限性包括单中心回顾性设计缺乏外部验证、仅使用原始预处理图像进行特征提取、特征降维可能导致潜在预测特征的丢失，以及相关性特征对重要性评分的影响。未来研究方向包括评估滤波图像特征对模型性能的提升、整合基因组学和蛋白质组学等多组学数据，以及结合食管扩张和FDG-PET摄取等放射敏感性信息进一步优化模型。

这项研究的重要意义在于证实了多组学特征在预测≥3级RE方面的优越性，特别是联合放射组学与剂量组学特征的模型达到了最高预测精度。这些发现为未来放射性食管炎的结果预测模型（OPMs）开发指明了方向，建议整合放射组学和剂量组学特征以最大化预测准确性，最终增强临床决策能力，实现个性化放疗计划制定和毒性风险防控。